基于物理与数据驱动的北热带非洲24小时降水概率预报对比

基本信息

• 标题：Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa（基于物理与数据驱动的北热带非洲24小时降水概率预报对比）
• 作者：Eva-Maria Walz、Peter Knippertz、Andreas H. Fink、Gregor Köhler、Tilmann Gneiting
• 提交日期：2024年1月8日（v1）
• arXiv 编号：arXiv:2401.03746v1 [physics.ao-ph]
• 主题分类：大气与海洋物理（physics.ao-ph）；统计学应用（stat.AP）
• DOI：https://doi.org/10.48550/arXiv.2401.03746

摘要

数值天气预报（NWP）模式在预报热带降水的发生与降水量方面能力有限，因此需要探索替代方法。已有研究表明，针对西非夏季风，较为简单的纯数据驱动逻辑回归模型在24小时降水发生预报上优于气候态预报和NWP预报；然而，由于降水具有非高斯特征，更复杂的神经网络方法仍发展不足。

本研究提出、应用并评估了一种新颖的两阶段方法：先在格点降水数据上训练 U-Net 卷积神经网络（CNN）模型以获得确定性预报，再采用新近提出的非参数 Easy Uncertainty Quantification（EasyUQ）方法将其转化为概率预报。

研究对2011—2019年北热带非洲未来一天24小时累积降水预报进行评估，以 GPM 综合多卫星反演数据（IMERG）作为地面真值。在迄今最全面的评估中，作者将 CNN+EasyUQ 与多种先进的基于物理和数据驱动的方法进行比较，包括月概率气候态、欧洲中期天气预报中心（ECMWF）的原始与后处理集合预报，以及使用 IMERG 和 ERA5 再分析中多达25个预测变量的传统统计方法。

主要结论：
- 统计方法的总体表现与后处理的 ECMWF 集合预报大致相当；
- CNN+EasyUQ 方法在降水发生和降水量两方面均明显优于所有对比方法；
- 将 CNN+EasyUQ 与基于物理的预报相融合的混合方法可带来进一步小幅改进。

因此，CNN+EasyUQ 方法有望改进热带地区（乃至其他地区）的业务化降水概率预报。